GPT-6 Astra renforce la position d’OpenAI parmi les entreprises seulement deux semaines après son lancement. Les premières données sur les dépenses indiquent une augmentation de la demande pour ce nouveau modèle face aux alternatives d’Anthropic, tandis qu’OpenAI cherche à déplacé la compétition des chatbots vers des agents capables d’utiliser navigateurs, applications, terminaux et outils professionnels pour réaliser des tâches en plusieurs étapes. Ce mouvement est significatif, même si les métriques hebdomadaires restent encore trop récentes pour affirmer un changement de leadership consolidé.
Les points clés de GPT-6 Astra en 20 secondes
- Astra a été lancé le 3 septembre avec un focus particulier sur l’autonomie dans l’utilisation des ordinateurs, la programmation et le travail professionnel.
- Les données partagées cette semaine montrent une augmentation des dépenses d’entreprises pour les modèles d’OpenAI par rapport à Anthropic.
- OpenAI a publié des améliorations importantes par rapport à GPT-5.6 Sol, notamment en programmation et automatisation.
- L’architecture dite looped transformer supposée provient d’analyses externes et n’a pas été confirmée par OpenAI.
- Le point crucial sera de vérifier si cette dépense initiale se maintient après les premières semaines.
La donnée la plus suivie concerne le changement observé dans la dépense des entreprises pour les modèles de pointe. Une publication de First Adopter relève la tendance des derniers jours et fait partie du débat sur la possibilité qu’Astra puisse inverser une tendance qui, pendant environ deux ans et demi, avait favorisé Anthropic dans certains segments d’utilisation professionnelle.
Il est important de distinguer les métriques. La dépense, l’adoption, le nombre d’utilisateurs et le volume de tokens ne signifient pas la même chose. Une entreprise peut utiliser plusieurs fournisseurs simultanément et concentrer une part bien plus importante de son budget sur l’un d’eux pour les tâches les plus exigeantes.
C’est précisément là que pourrait résider l’opportunité d’Astra.
Astra est conçu pour réaliser du travail directement sur l’ordinateur
OpenAI a présenté GPT-6 Astra le 3 septembre comme son modèle le plus avancé pour une utilisation sur ordinateur, navigation web, ingénierie logicielle, cybersécurité, sciences et travail professionnel.
La différence par rapport aux générations précédentes ne se limite pas à produire de meilleures réponses.
Astra est prêt à interagir avec des logiciels et à réaliser des flux de travail en plusieurs étapes. Il peut utiliser des navigateurs, travailler avec des documents et des tableurs, effectuer des recherches, installer et tester des logiciels ou exécuter des tâches dans des applications.
Cela change la manière dont la valeur d’un modèle pour les entreprises peut être mesurée.
Jusqu’à présent, une grande partie de l’IA d’entreprise pouvait se quantifier en termes de requêtes : combien coûte de résumer un document, classer une incident ou générer une réponse.
Avec un agent, la comparaison peut désormais se faire en tâche terminée.
Si une exécution coûte considérablement plus qu’une simple requête mais permet de réaliser un travail qu’il fallait auparavant vingt minutes d’une personne, alors le prix par million de tokens ne devient plus la seule variable pertinente.
OpenAI publie plusieurs résultats illustrant la direction prise par Astra.
Dans Terminal-Bench 4.0, dédié aux tâches complexes via terminal, Astra atteint 57,9 %, contre 37,3 % pour GPT-5.6 Sol, et 55,8 % pour Claude Fable 5.1 dans la comparaison fournie par OpenAI. La société estime en outre un coût par tâche environ 63 % inférieur à celui de Fable 5.1 dans cette configuration.
Dans Agents’ Last Exam, une évaluation axée sur des tâches professionnelles utilisant un logiciel réel, OpenAI indique 59,3 % pour Astra, contre 55,5 % pour Claude Opus 5 et 53,6 % pour GPT-5.6 Sol.
Ces résultats, publiés par OpenAI, doivent être pris en considération comme tels. Les benchmarks sont utiles pour comparer les capacités dans des conditions données, mais ne garantissent pas le même comportement dans l’infrastructure d’une entreprise.
Mieux programmer pourrait devenir un des avantages commerciaux majeurs
Le développement logiciel est probablement l’un des domaines où la différence entre un chatbot et un agent est la plus évidente.
Un modèle classique peut générer une fonction ou expliquer comment corriger une erreur.
Un agent de programmation peut recevoir une incident, examiner le repository, localiser les fichiers concernés, modifier le code, exécuter des tests, vérifier le résultat et continuer de travailler si les tests échouent.
Astra a été entraîné précisément pour prolonger ce genre de cycles.
OpenAI affirme que c’est son meilleur modèle à ce jour pour l’ingénierie logicielle et publie des résultats supérieurs à GPT-5.6 Sol dans diverses évaluations de programmation. Des entreprises comme Cognition, Jane Street et Lovable figurent également parmi celles qui ont testé le modèle avant ou lors de son lancement.
Une autre avancée technique intéressante concerne Codex.
Astra peut conserver et retrouver ses notes lorsque la session dépasse sa fenêtre de contexte. Traditionnellement, les agents recourent à des processus de compactage qui résument le passé pour continuer à travailler.
Le problème est que chaque résumé peut éliminer des détails utiles : un test échoué, une décision architecturale ou la raison pour laquelle une solution a été rejetée.
OpenAI a développé pour Astra un mécanisme permettant de conserver les notes et de consulter les fenêtres précédentes dans Codex, améliorant ainsi la gestion de la mémoire historique sans dépendre uniquement de résumés répétés. La fonction est encore expérimentale.
Pour des agents travaillant pendant des minutes ou des heures sur un gros repository, maintenir ce contexte est aussi crucial que de produire du code de qualité supérieure.
L’architecture supposée du looped transformer d’Astra reste non confirmée
Une des théories les plus intrigantes autour de GPT-6 Astra concerne son architecture.
Des analyses attribuées à SemiAnalysis suggèrent qu’OpenAI pourrait utiliser une forme de looped transformer, une architecture où certains blocs peuvent être réutilisés plusieurs fois lors d’un passage.
Dans un transformer classique simplifié, chaque token traverse une succession de couches avec ses propres paramètres.
Un système avec boucles pourrait réutiliser certains couches plusieurs fois :
Entrée → bloc → bloc → bloc → sortie
En comparaison, une structure où le calcul serait :
Entrée → bloc A → bloc A → bloc A → sortie
L’avantage potentiel est d’effectuer plus de calculs sur une représentation sans augmenter proportionnellement le nombre total de paramètres.
Cela pourrait aussi modifier considérablement les besoins en inférence et en mémoire.
Ce scénario a suscité beaucoup d’intérêt car l’industrie cherche à augmenter la capacité de raisonnement sans se limiter à construire des modèles toujours plus gros.
Cependant, il est crucial de distinguer une hypothèse plausible d’une confirmation formelle.
OpenAI ne présente pas publiquement GPT-6 Astra comme un looped transformer dans sa documentation officielle. La société ne publie pas non plus le nombre de paramètres ni de détails architecturaux suffisants pour valider cette hypothèse.
Ainsi, toute description d’Astra basée sur cette architecture doit rester une analyse externe.
De même, toute estimation évoquant un entraînement sur environ 100 000 GPU ou des coûts de plusieurs centaines de millions de dollars provient d’analyses tierces. OpenAI ne publie pas ces chiffres comme caractéristiques officielles de l’entraînement d’Astra.
La cybersécurité démontre jusqu’où ses capacités agentiques peuvent aller
Une des meilleures références pour comprendre l’ampleur de la capacité d’Astra se trouve dans un domaine où OpenAI a dû limiter ses capacités.
GPT-6 Astra est le premier modèle que OpenAI classe au niveau Critical pour ses capacités en cybersécurité, dans son cadre de préparation.
La société explique qu’avec les bons outils et accès, le modèle peut identifier des vulnérabilités inconnues et développer de nouvelles méthodes pour les exploiter dans de nombreux systèmes protégés, sans nécessiter une intervention humaine pour chaque étape.
OpenAI a même retardé une partie du développement et du déploiement pour renforcer les mesures de sécurité autour du modèle.
Cela ne signifie pas qu’Astra puisse attaquer librement des systèmes via ChatGPT.
OpenAI a intégré des contrôles spécifiques pour empêcher tout usage malveillant ou action non autorisée. La véritable importance réside toutefois dans autre part : un modèle capable de mener des investigations, d’utiliser des outils, d’interpréter des résultats et de décider de la prochaine étape ressemble beaucoup plus à un agent opérationnel qu’à un simple générateur de texte.
Ce même type d’architecture pourrait également s’appliquer à la programmation, la recherche scientifique, l’analyse financière ou l’automatisation d’entreprise.
Le prix par token commence à compter moins que le prix par tâche terminée
Astra affiche un tarif standard via API de 10 dollars par million de tokens d’entrée et 50 dollars par million de tokens de sortie.
Ce n’est pas un modèle conçu uniquement pour être le plus économique.
L’objectif est de réduire le coût total pour réaliser des tâches complexes.
Ce changement pourrait transformer la façon dont les départements techniques évaluent les modèles d’IA.
| Métrique traditionnelle | Métrique de plus en plus pertinente |
|---|---|
| Prix par million de tokens | Coût par tâche terminée |
| Réponse correcte | Flux complet et valide |
| Qualité de génération | Capacité à utiliser des outils |
| Fenêtre de contexte | Continuité sur de longues tâches |
| Vitesse du modèle | Temps total jusqu’au résultat |
| Benchmark isolé | Performance dans le processus réel |
Un coût par token plus élevé peut devenir économiquement plus intéressant si le modèle nécessite moins de tentatives, produit moins d’erreurs ou termine plus automatiquement une grande partie du processus.
Inversement, utiliser Astra pour des tâches triviales où un petit modèle donnerait des résultats équivalents pourrait être peu justifiable.
C’est pourquoi de nombreuses entreprises opteront probablement pour plusieurs niveaux de modèles.
Les modèles économiques les plus abordables s’occuperont de classification, extraction, résumés et automatisations simples. Les modèles de pointe seront réservés aux missions où leur capacité supplémentaire apportera une réelle valeur.
OpenAI et Anthropic cherchent à conquérir quelque chose de plus précieux que le simple chatbot
C’est ici que les données récentes sur la dépense des entreprises deviennent particulièrement intéressantes.
Anthropic a construit ces dernières années une position très solide en programmation et utilisation professionnelle. OpenAI doit faire en sorte qu’Astra transforme ses progrès techniques en utilisation régulière dans ces mêmes processus.
Les premières données partagées par First Adopter et les métriques en circulation cette semaine indiquent que Astra parvient à attirer une part significative des dépenses consacrées aux modèles de pointe.
Mais cela ne prouve pas encore qu’OpenAI ait repris le leadership global en termes d’adoption commerciale.
Une semaine est un laps de temps très court. Par ailleurs, le lancement d’un nouveau modèle entraîne souvent des phases de test, migration et évaluation qui peuvent faire augmenter temporairement la consommation.
La prochaine période est donc cruciale pour observer si les entreprises continueront à dépenser pour Astra après leurs premières évaluations. Si c’est le cas, cela signifiera qu’elles ont identifié des tâches où l’augmentation de capacité justifie son coût.
C’est là qu’une partie importante de la prochaine étape de l’IA générative se joue.
En 2023 et 2024, la question habituelle était de savoir quel modèle produisait les meilleures réponses. En 2026, elle évolue vers quel modèle peut recevoir un objectif, travailler plus longtemps avec plusieurs outils et remettre le travail terminé.
GPT-6 Astra incarne clairement cette transition stratégique pour OpenAI. Le mouvement initial de déploiement et de dépense est une première alerte, mais c’est l’utilisation continue en programmation, recherche et processus d’entreprise qui déterminera si Astra a réellement modifié l’équilibre face à Anthropic.